CN116168686B - 数字人动态拟真方法、装置及存储介质 - Google Patents
数字人动态拟真方法、装置及存储介质 Download PDFInfo
- Publication number
- CN116168686B CN116168686B CN202310438267.8A CN202310438267A CN116168686B CN 116168686 B CN116168686 B CN 116168686B CN 202310438267 A CN202310438267 A CN 202310438267A CN 116168686 B CN116168686 B CN 116168686B
- Authority
- CN
- China
- Prior art keywords
- voice
- blocks
- sample
- speech
- action
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000005094 computer simulation Methods 0.000 title claims abstract description 41
- 230000033001 locomotion Effects 0.000 claims abstract description 66
- 238000012549 training Methods 0.000 claims abstract description 49
- 238000003062 neural network model Methods 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 8
- 238000003058 natural language processing Methods 0.000 claims description 5
- 230000011218 segmentation Effects 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 230000001360 synchronised effect Effects 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims description 2
- 238000013461 design Methods 0.000 description 7
- 244000309466 calf Species 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 210000000245 forearm Anatomy 0.000 description 4
- 210000000689 upper leg Anatomy 0.000 description 4
- 230000001427 coherent effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/02—Feature extraction for speech recognition; Selection of recognition unit
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/06—Creation of reference templates; Training of speech recognition systems, e.g. adaptation to the characteristics of the speaker's voice
- G10L15/063—Training
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/08—Speech classification or search
- G10L15/16—Speech classification or search using artificial neural networks
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/22—Procedures used during a speech recognition process, e.g. man-machine dialogue
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/14—Systems for two-way working
- H04N7/15—Conference systems
- H04N7/157—Conference systems defining a virtual conference space and using avatars or agents
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/22—Procedures used during a speech recognition process, e.g. man-machine dialogue
- G10L2015/223—Execution procedure of a spoken command
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Computational Linguistics (AREA)
- Acoustics & Sound (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Signal Processing (AREA)
- Processing Or Creating Images (AREA)
Abstract
本发明公开了一种数字人动态拟真方法、装置及存储介质，涉及动态拟真技术领域。该方法包括根据语法结构将音频会议中的语音段分割成多个语音块；提取多个语音块的语音特征和语义特征；将多个语音块、多个语音块所对应的运动块、多个语音块所对应的相邻语音段中的语音块、多个语音块的在前语音段中的语音块所对应的运动块、多个语音块的语音特征以及多个语音块的语义特征作为预先训练的训练模型的输入进行运算，得到与多个语音块对应的动作序列；基于与多个语音块对应的动作序列，控制数字人执行与动作序列对应的动作。本发明公开的方法、装置及存储介质可使数字人在模拟演讲者时动作更连贯自然，不会出现动作僵硬、不连贯的问题。
Description
技术领域
本发明属于动态拟真技术领域，具体涉及一种数字人动态拟真方法、装置及存储介质。
背景技术
在虚拟会议中，常常通过数字人来模拟演讲者的动作，从而呈现演讲者现场演讲的效果。
现有的虚拟会议中，较常用的方式是通过提取语音特征，并根据语音特征确定出与语音特征相对应的手势，然后控制数字人依次执行输出的手势。然而，采用这样的方式，容易出现动作僵硬、不连贯的问题。
因此，如何提供一种有效的方案以避免数字人在模拟演讲者时出现动作僵硬、不连贯的问题，已成为现有技术中一亟待解决的难题。
发明内容
本发明的目的是提供数字人动态拟真方法、装置及存储介质，用以解决现有技术中存在的上述问题。
为了实现上述目的，本发明采用以下技术方案：
第一方面，本发明提供了一种数字人动态拟真方法，包括：
根据语法结构将音频会议中的语音段分割成多个语音块，所述语音段为一句话所对应的语音；
提取所述多个语音块的语音特征和语义特征，所述语音特征用于表征声音强度和/或语言重复度；
将所述多个语音块、所述多个语音块所对应的运动块、所述多个语音块所对应的相邻语音段中的语音块、所述多个语音块的在前语音段中的语音块所对应的运动块、所述多个语音块的语音特征以及所述多个语音块的语义特征作为预先训练的训练模型的输入进行运算，得到与所述多个语音块对应的动作序列；
基于与所述多个语音块对应的动作序列，控制数字人执行与所述动作序列对应的动作；
其中，语音块所对应的运动块是指用于执行语音块所表征动作的人体关节点，所述训练模型包括输入层、隐藏层和输出层；
所述训练模型的输入层用于根据所述多个语音块和所述多个语音块所对应的运动块输出第一特征；
所述训练模型的隐藏层用于根据所述第一特征、所述多个语音块所对应的相邻语音段中的语音块以及所述多个语音块的在前语音段中的语音块所对应的运动块输出第二特征；
所述训练模型的输出层用于根据所述第二特征、所述多个语音块的语音特征以及所述多个语音块的语义特征输出与所述多个语音块对应的动作序列。
基于上述公开的内容，本发明先根据语法结构将音频会议中的语音段分割成多个语音块，并提取多个语音块的语音特征和语义特征，然后将多个语音块、多个语音块所对应的运动块、多个语音块所对应的相邻语音段中的语音块、多个语音块的在前语音段中的语音块所对应的运动块、多个语音块的语音特征以及多个语音块的语义特征作为预先训练的训练模型的输入进行运算，得到与多个语音块对应的动作序列，最后基于与多个语音块对应的动作序列，控制数字人执行与动作序列对应的动作。如此，能够根据音频会议中的语音段控制数字人执行相应的运动，从而模拟演讲者的动作，呈现出演讲者现场演讲的效果。其中，神经网络模型包括输入层、隐藏层和输出层，神经网络模型的输入层用于根据多个语音块和多个语音块所对应的运动（即用于执行该多个语音块所表征动作的人体关节点）块输出第一特征，如此在模拟演讲者动作过程中，考虑到了语音块和用于执行该多个语音块所表征动作的人体关节点，从而使得模拟出演讲者的动作。训练模型的隐藏层用于根据输入层输出的第一特征、多个语音块所对应的相邻语音段中的语音块、多个语音块的在前语音段中的语音块所对应的运动块输出第二特征，如此在模拟演讲者动作过程中，既考虑到了前后的语句，又考虑到了执行该在前语句的多个语音块所表征动作的人体关节点，从而输出更为自然平滑的动作序列，即数字人在模拟演讲者时动作更连贯自然，不会出现动作僵硬、不连贯的问题。训练模型的输出层用于根据第二特征、多个语音块的语音特征（表征声音强度和/或语言重复度）以及多个语音块的语义特征输出与多个语音块对应的动作序列，如此在模拟演讲者动作过程中，还考虑到了演讲者的声音强度和语言重复度等来叠加随机扰动动作实现各岗位自然的表达。
通过上述的设计，本发明可通过数字人在模拟出演讲者动作的同时，能够输出更为自然平滑的动作序列，使得数字人在模拟演讲者时动作更连贯自然，不会出现动作僵硬、不连贯的问题，同时在模拟演讲者动作过程中，还考虑到了演讲者的声音强度和语言重复度等来叠加随机扰动动作实现各岗位自然的表达，形成个性化的演讲风格。
在一个可能的设计中，在将音频会议中的语音段分割成多个语音块之前，所述方法还包括：
根据语法结构将样本语音段分割成多个样本语音块；
提取所述多个样本语音块的语音特征和语义特征；
将所述多个样本语音块、所述多个样本语音块所对应的运动块、所述多个样本语音块所对应的相邻样本语音段中的样本语音块、所述多个样本语音块的在前样本语音段中的样本语音块所对应的运动块、所述多个样本语音块的语音特征以及所述多个样本语音块的语义特征作为神经网络模型的输入，样本人物在播放所述样本语音段时所对应的动作序列作为输出进行训练，得到所述训练模型；
其中，所述神经网络模型包括输入层、隐藏层和输出层；
所述神经网络模型的输入层用于根据所述多个样本语音块和所述多个样本语音块所对应的运动块，输出第一样本特征；
所述神经网络模型的隐藏层用于根据所述第一样本特征、所述多个样本语音块所对应的相邻样本语音段中的样本语音块以及所述多个样本语音块的在前样本语音段中的样本语音块所对应的运动块，输出第二样本特征；
所述神经网络模型的输出层用于根据所述第二样本特征、所述多个样本语音块的语音特征以及所述多个样本语音块的语义特征，输出样本人物在播放所述样本语音段所对应的动作序列。
在一个可能的设计中，所述训练模型为多层感知的全连接神经网络模型。
在一个可能的设计中，所述根据语法结构将音频会议中的语音段分割成多个语音块，包括：
根据语法结构，通过自然语言处理算法将音频会议中的语音段分割成多个语音块。
在一个可能的设计中，所述提取所述多个语音块的语音特征和语义特征，包括：
通过vq-wav2vec模型提取所述多个语音块的语音特征；
通过BERT模型提取所述多个语音块的语义特征。
在一个可能的设计中，所述基于与所述多个语音块对应的动作序列，控制数字人执行与所述动作序列对应的动作，包括：
基于与所述多个语音块对应的动作序列，在播放与所述多个语音块所对应的语音段时控制数字人执行与所述动作序列对应的动作。
在一个可能的设计中，所述方法还包括：
延时播放音频会议中的语音段，以使数字人执行的动作与音频会议中的语音段保持同步。
第二方面，本发明提供了一种数字人动态拟真装置，包括：
分割单元，用于根据语法结构将音频会议中的语音段分割成多个语音块，所述语音段为一句话所对应的语音；
提取单元，用于提取所述多个语音块的语音特征和语义特征，所述语音特征用于表征声音强度和/或语言重复度；
运算单元，用于将所述多个语音块、所述多个语音块所对应的运动块、所述多个语音块所对应的相邻语音段中的语音块、所述多个语音块的在前语音段中的语音块所对应的运动块、所述多个语音块的语音特征以及所述多个语音块的语义特征作为预先训练的训练模型的输入进行运算，得到与所述多个语音块对应的动作序列；
控制单元，用于基于与所述多个语音块对应的动作序列，控制数字人执行与所述动作序列对应的动作；
其中，语音块所对应的运动块是指用于执行语音块所表征动作的人体关节点，所述训练模型包括输入层、隐藏层和输出层；
所述训练模型的输入层用于根据所述多个语音块和所述多个语音块所对应的运动块输出第一特征；
所述训练模型的隐藏层用于根据所述第一特征、所述多个语音块所对应的相邻语音段中的语音块以及所述多个语音块的在前语音段中的语音块所对应的运动块输出第二特征；
所述训练模型的输出层用于根据所述第二特征、所述多个语音块的语音特征以及所述多个语音块的语义特征输出与所述多个语音块对应的动作序列。
第三方面，本发明提供了另一种数字人动态拟真装置，包括依次通信相连的存储器、处理器和收发器，其中，所述存储器用于存储计算机程序，所述收发器用于收发消息，所述处理器用于读取所述计算机程序，执行如上述第一方面所述的数字人动态拟真方法。
第四方面，本发明提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，当所述指令在计算机上运行时，执行第一方面所述的数字人动态拟真方法。
第五方面，本发明提供了一种包含指令的计算机程序产品，当所述指令在计算机上运行时，使所述计算机执行如第一方面所述的数字人动态拟真方法。
有益效果：
本发明提供的数字人动态拟真方法，能够通过数字人在模拟出演讲者动作的同时，能够输出更为自然平滑的动作序列，使得数字人在模拟演讲者时动作更连贯自然，不会出现动作僵硬、不连贯的问题，同时在模拟演讲者动作过程中，还考虑到了演讲者的声音强度和语言重复度等来叠加随机扰动动作实现各岗位自然的表达，形成个性化的演讲风格。
附图说明
图1为本申请实施例提供的数字人动态拟真方法的流程图；
图2为本申请实施例提供的数字人动态拟真装置的结构示意图；
图3为本申请实施例提供的另一数字人动态拟真装置的结构示意图。
具体实施方式
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将结合附图和实施例或现有技术的描述对本发明作简单地介绍，显而易见地，下面关于附图结构的描述仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在此需要说明的是，对于这些实施例方式的说明用于帮助理解本发明，但并不构成对本发明的限定。
应当理解，尽管本文可能使用术语第一、第二等等来描述各种单元，但是这些单元不应当受到这些术语的限制。这些术语仅用于区分一个单元和另一个单元。例如可以将第一单元称作第二单元,并且类似地可以将第二单元称作第一单元，同时不脱离本发明的示例实施例的范围。
应当理解，对于本文中可能出现的术语“和/或”，其仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，单独存在B，同时存在A和B三种情况；对于本文中可能出现的术语“/和”，其是描述另一种关联对象关系，表示可以存在两种关系，例如，A/和B，可以表示：单独存在A，单独存在A和B两种情况；另外，对于本文中可能出现的字符“/”，一般表示前后关联对象是一种“或”关系。
为了避免数字人在模拟演讲者时出现动作僵硬、不连贯的问题，本申请实施例提供了一种数字人动态拟真方法、装置及存储介质，该数字人动态拟真方法、装置及存储介质可使数字人在模拟演讲者时动作更连贯自然，不会出现动作僵硬、不连贯的问题。
本申请实施例提供的数字人动态拟真方法可以应用于用于虚拟会议的服务器或用于虚拟会议的用户终端，所述用户终端可以但不限于是个人电脑、智能手机、平板电脑、膝上型便携计算机、个人数字助理（personal digital assistant，PDA）等。可以理解，所述执行主体并不构成对本申请实施例的限定。
下面将对本申请实施例提供的数字人动态拟真方法进行详细说明。
如图1所示，是本申请实施例第一方面提供的数字人动态拟真方法的流程图，该数字人动态拟真方法可以但不限于包括如下步骤S101-S104。
步骤S101.根据语法结构将音频会议中的语音段分割成多个语音块。
其中，语音段为一句话所对应的语音。
本申请实施例中，演讲者所说的完整的一句所对应的语音可以称之为一个语音段。在音频会议中，可以根据语法结构将音频会议中的每个语音段分割成多段，为便于描述，本申请实施例中将分割成的每一端语音称之为一个语音块。其中，在进行分割块时，可以通过自然语言处理（Natural Language Processing，NLP）算法将音频会议中的每个语音段分割成多个语音块。为便于理解，本申请实施例中以对一个语音段进行动态拟真的过程为例进行说明。
步骤S102.提取多个语音块的语音特征和语义特征。
其中，语音特征用于表征声音强度和/或语言重复度。
本申请实施例中，可但不限于通过wav2vec模型、vq-wav2vec模型或wav2vec2.0模型提取多个语音块的语音特征。可以但不限于通过BERT（Bidirectional EncoderRepresentation from Transformers）模型或GPT（Generative Pre-trainedTransformer）模型提取多个语音块的语义特征。具体原理本申请实施例中不做详细说明。
步骤S103.将多个语音块、多个语音块所对应的运动块、多个语音块所对应的相邻语音段中的语音块、多个语音块的在前语音段中的语音块所对应的运动块、多个语音块的语音特征以及多个语音块的语义特征作为预先训练的训练模型的输入进行运算，得到与多个语音块对应的动作序列。
其中，语音块所对应的运动块是指用于执行语音块所表征动作的人体关节点，所述人体关节点可以但不限于包括头部、左手、左前臂、左后臂、右手、右前臂、右后臂、躯干、左小腿、左大腿、右小腿和右大腿等。
本申请实施例中，预先根据用户在演讲过程全身动作将人体划分为多个运动块（人体关节点），每个运动块对应有多个动作（如平移、旋转等），并定义不同动作对应的运动块（即不同动作需要哪些人体关节点参与），以及不同语音块所表征的动作。
本申请实施例中预先训练有用于输出与语音块对应的动作序列的训练模型，并可将多个语音块、多个语音块所对应的运动块、多个语音块所对应的相邻语音段中的语音块、多个语音块的在前语音段中的语音块所对应的运动块、多个语音块的语音特征以及多个语音块的语义特征作为预先训练的训练模型的输入进行运算，得到与多个语音块对应的动作序列。
其中，训练模型包括输入层、隐藏层和输出层。训练模型的输入层用于根据多个语音块和多个语音块所对应的运动块（即执行该多个语音块所对应动作的人体关节点）输出第一特征。训练模型的隐藏层用于根据输入层输出的第一特征、多个语音块所对应的相邻语音段中的语音块、多个语音块的在前语音段中的语音块所对应的运动块（即执行前一语音段中各语音块所对应动作的人体关节点）输出第二特征，如此既考虑到了前后的语句，又考虑到了执行该在前语句的多个语音块所表征动作的人体关节点，从而使得能够输出更为自然平滑的动作序列，即数字人在模拟演讲者时动作会更连贯自然，不会出现动作僵硬、不连贯的问题。训练模型的输出层用于根据隐藏层输出的第二特征、多个语音块的语音特征以及多个语音块的语义特征输出与该多个语音块对应的动作序列，如此在模拟演讲者动作过程中，还考虑到了演讲者的声音强度和语言重复度等来叠加随机扰动动作实现各岗位自然的表达。
本申请实施例中，训练模型可以采用多层感知的全连接神经网络模型。
训练前述训练模型的过程，可以但不限于包括如下步骤S201-S203。
步骤S201.根据语法结构将样本语音段分割成多个样本语音块。
步骤S202.提取多个样本语音块的语音特征和语义特征。
步骤S203.将多个样本语音块、多个样本语音块所对应的运动块、多个样本语音块所对应的相邻样本语音段中的样本语音块、多个样本语音块的在前样本语音段中的样本语音块所对应的运动块、多个样本语音块的语音特征以及多个样本语音块的语义特征作为神经网络模型的输入，样本人物在播放样本语音段时所对应的动作序列作为输出进行训练，得到训练模型。
其中，神经网络模型包括输入层、隐藏层和输出层。该样本人物和播放样本语音段分别为同一演讲音视频文件中的演讲人物和语音段。
神经网络模型的输入层用于根据多个样本语音块和所述多个样本语音块所对应的运动块，输出第一样本特征。神经网络模型的隐藏层用于根据第一样本特征、多个样本语音块所对应的相邻样本语音段中的样本语音块以及多个样本语音块的在前样本语音段中的样本语音块所对应的运动块，输出第二样本特征。神经网络模型的输出层用于根据第二样本特征、多个样本语音块的语音特征以及多个样本语音块的语义特征，输出样本人物在播放样本语音段所对应的动作序列。
步骤S104.基于与多个语音块对应的动作序列，控制数字人执行与动作序列对应的动作。
具体的，可基于与多个语音块对应的动作序列，在播放与多个语音块所对应的语音段时控制数字人执行与动作序列对应的动作。
在通过训练模型生成多个语音块对应的动作序列时，生成动作序列需要的一定的时间，从而导致生成的动作序列晚于用于生成该动作序列的多个语音块。因此，在一个或多个实施例中，可延时播放音频会议中的语音段，以使数字人执行的动作与音频会议中的语音段保持同步。延长的时长可根据实际情况确定。
综上，本发明提供的数字人动态拟真方法，先根据语法结构将音频会议中的语音段分割成多个语音块，并提取多个语音块的语音特征和语义特征，然后将多个语音块、多个语音块所对应的运动块、多个语音块所对应的相邻语音段中的语音块、多个语音块的在前语音段中的语音块所对应的运动块、多个语音块的语音特征以及多个语音块的语义特征作为预先训练的训练模型的输入进行运算，得到与多个语音块对应的动作序列，最后基于与多个语音块对应的动作序列，控制数字人执行与动作序列对应的动作。如此，能够根据音频会议中的语音段控制数字人执行相应的运动，从而模拟演讲者的动作，呈现出演讲者现场演讲的效果。其中，神经网络模型包括输入层、隐藏层和输出层，神经网络模型的输入层用于根据多个语音块和多个语音块所对应的运动块输出第一特征，如此在模拟演讲者动作过程中，考虑到了语音块和用于执行该多个语音块所表征动作的人体关节点，从而使得模拟出演讲者的动作。训练模型的隐藏层用于根据输入层输出的第一特征、多个语音块所对应的相邻语音段中的语音块、多个语音块的在前语音段中的语音块所对应的运动块输出第二特征，如此在模拟演讲者动作过程中，既考虑到了前后的语句，又考虑到了执行该在前语句的多个语音块所表征动作的人体关节点，从而输出更为自然平滑的动作序列，即数字人在模拟演讲者时动作更连贯自然，不会出现动作僵硬、不连贯的问题。训练模型的输出层用于根据第二特征、多个语音块的语音特征（声音强度和/或语言重复度）以及多个语音块的语义特征输出与多个语音块对应的动作序列，如此在模拟演讲者动作过程中，还考虑到了演讲者的声音强度和语言重复度等来叠加随机扰动动作实现各岗位自然的表达，形成个性化的演讲风格。另外，人体关节点可以但不限于包括头部、左手、左前臂、左后臂、右手、右前臂、右后臂、躯干、左小腿、左大腿、右小腿和右大腿等，如此可通过数字人模拟演讲者全身的动作。
请参阅图2，本申请实施例第二方面提供了一种数字人动态拟真装置，该数字人动态拟真装置包括：
分割单元，用于根据语法结构将音频会议中的语音段分割成多个语音块，所述语音段为一句话所对应的语音；
提取单元，用于提取所述多个语音块的语音特征和语义特征，所述语音特征用于表征声音强度和/或语言重复度；
运算单元，用于将所述多个语音块、所述多个语音块所对应的运动块、所述多个语音块所对应的相邻语音段中的语音块、所述多个语音块的在前语音段中的语音块所对应的运动块、所述多个语音块的语音特征以及所述多个语音块的语义特征作为预先训练的训练模型的输入进行运算，得到与所述多个语音块对应的动作序列；
控制单元，用于基于与所述多个语音块对应的动作序列，控制数字人执行与所述动作序列对应的动作；
其中，语音块所对应的运动块是指用于执行语音块所表征动作的人体关节点，所述训练模型包括输入层、隐藏层和输出层；
所述训练模型的输入层用于根据所述多个语音块和所述多个语音块所对应的运动块输出第一特征；
所述训练模型的隐藏层用于根据所述第一特征、所述多个语音块所对应的相邻语音段中的语音块以及所述多个语音块的在前语音段中的语音块所对应的运动块输出第二特征；
所述训练模型的输出层用于根据所述第二特征、所述多个语音块的语音特征以及所述多个语音块的语义特征输出与所述多个语音块对应的动作序列。
本实施例第二方面提供的装置的工作过程、工作细节和技术效果，可以参见实施例第一方面，于此不再赘述。
如图3所示，本申请实施例第三方面提供了另一种数字人动态拟真装置，包括依次通信相连的存储器、处理器和收发器，其中，所述存储器用于存储计算机程序，所述收发器用于收发消息，所述处理器用于读取所述计算机程序，执行如实施例第一方面所述的数字人动态拟真方法。
具体举例的，所述存储器可以但不限于包括随机存取存储器（RAM）、只读存储器（ROM）、闪存（Flash Memory）、先进先出存储器（FIFO）和/或先进后出存储器（FILO）等等；所述处理器可以不限于采用型号为STM32F105系列的微处理器、ARM（Advanced RISCMachines）、X86等架构处理器或集成NPU（neural-network processing units）的处理器；所述收发器可以但不限于为WiFi（无线保真）无线收发器、蓝牙无线收发器、通用分组无线服务技术（General Packet Radio Service，GPRS）无线收发器、紫蜂协议（基于IEEE802.15.4标准的低功耗局域网协议，ZigBee）无线收发器、3G收发器、4G收发器和/或5G收发器等。
本实施例第四方面提供了一种存储包含有实施例第一方面所述的数字人动态拟真方法的指令的计算机可读存储介质，即所述计算机可读存储介质上存储有指令，当所述指令在计算机上运行时，执行如第一方面所述的数字人动态拟真方法。其中，所述计算机可读存储介质是指存储数据的载体，可以但不限于包括软盘、光盘、硬盘、闪存、优盘和/或记忆棒(Memory Stick)等，所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。
本实施例第五方面提供了一种包含指令的计算机程序产品，当所述指令在计算机上运行时，使所述计算机执行如实施例第一方面所述的数字人动态拟真方法，其中，所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。
应当理解，在下面的描述中提供了特定的细节,以便于对示例实施例的完全理解。然而，本领域普通技术人员应当理解可以在没有这些特定细节的情况下实现示例实施例。例如可以在框图中示出系统，以避免用不必要的细节来使得示例不清楚。在其他实例中，可以不以不必要的细节来示出众所周知的过程、结构和技术，以避免使得示例实施例不清。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种数字人动态拟真方法，其特征在于，包括：
根据语法结构将音频会议中的语音段分割成多个语音块，所述语音段为一句话所对应的语音；
提取所述多个语音块的语音特征和语义特征，所述语音特征用于表征声音强度和/或语言重复度；
将所述多个语音块、所述多个语音块所对应的运动块、所述多个语音块所对应的相邻语音段中的语音块、所述多个语音块的在前语音段中的语音块所对应的运动块、所述多个语音块的语音特征以及所述多个语音块的语义特征作为预先训练的训练模型的输入进行运算，得到与所述多个语音块对应的动作序列；
基于与所述多个语音块对应的动作序列，控制数字人执行与所述动作序列对应的动作；
其中，语音块所对应的运动块是指用于执行语音块所表征动作的人体关节点，所述训练模型包括输入层、隐藏层和输出层；
所述训练模型的输入层用于根据所述多个语音块和所述多个语音块所对应的运动块输出第一特征；
所述训练模型的隐藏层用于根据所述第一特征、所述多个语音块所对应的相邻语音段中的语音块以及所述多个语音块的在前语音段中的语音块所对应的运动块输出第二特征；
所述训练模型的输出层用于根据所述第二特征、所述多个语音块的语音特征以及所述多个语音块的语义特征输出与所述多个语音块对应的动作序列。
2.根据权利要求1所述的数字人动态拟真方法，其特征在于，在将音频会议中的语音段分割成多个语音块之前，所述方法还包括：
根据语法结构将样本语音段分割成多个样本语音块；
提取所述多个样本语音块的语音特征和语义特征；
将所述多个样本语音块、所述多个样本语音块所对应的运动块、所述多个样本语音块所对应的相邻样本语音段中的样本语音块、所述多个样本语音块的在前样本语音段中的样本语音块所对应的运动块、所述多个样本语音块的语音特征以及所述多个样本语音块的语义特征作为神经网络模型的输入，样本人物在播放所述样本语音段时所对应的动作序列作为输出进行训练，得到所述训练模型；
其中，所述神经网络模型包括输入层、隐藏层和输出层；
所述神经网络模型的输入层用于根据所述多个样本语音块和所述多个样本语音块所对应的运动块，输出第一样本特征；
所述神经网络模型的隐藏层用于根据所述第一样本特征、所述多个样本语音块所对应的相邻样本语音段中的样本语音块以及所述多个样本语音块的在前样本语音段中的样本语音块所对应的运动块，输出第二样本特征；
所述神经网络模型的输出层用于根据所述第二样本特征、所述多个样本语音块的语音特征以及所述多个样本语音块的语义特征，输出样本人物在播放所述样本语音段所对应的动作序列。
3.根据权利要求1所述的数字人动态拟真方法，其特征在于，所述训练模型为多层感知的全连接神经网络模型。
4.根据权利要求1所述的数字人动态拟真方法，其特征在于，所述根据语法结构将音频会议中的语音段分割成多个语音块，包括：
根据语法结构，通过自然语言处理算法将音频会议中的语音段分割成多个语音块。
5.根据权利要求1所述的数字人动态拟真方法，其特征在于，所述提取所述多个语音块的语音特征和语义特征，包括：
通过vq-wav2vec模型提取所述多个语音块的语音特征；
通过BERT模型提取所述多个语音块的语义特征。
6.根据权利要求1所述的数字人动态拟真方法，其特征在于，所述基于与所述多个语音块对应的动作序列，控制数字人执行与所述动作序列对应的动作，包括：
基于与所述多个语音块对应的动作序列，在播放与所述多个语音块所对应的语音段时控制数字人执行与所述动作序列对应的动作。
7.根据权利要求1所述的数字人动态拟真方法，其特征在于，所述方法还包括：
延时播放音频会议中的语音段，以使数字人执行的动作与音频会议中的语音段保持同步。
8.一种数字人动态拟真装置，其特征在于，包括：
分割单元，用于根据语法结构将音频会议中的语音段分割成多个语音块，所述语音段为一句话所对应的语音；
提取单元，用于提取所述多个语音块的语音特征和语义特征，所述语音特征用于表征声音强度和/或语言重复度；
运算单元，用于将所述多个语音块、所述多个语音块所对应的运动块、所述多个语音块所对应的相邻语音段中的语音块、所述多个语音块的在前语音段中的语音块所对应的运动块、所述多个语音块的语音特征以及所述多个语音块的语义特征作为预先训练的训练模型的输入进行运算，得到与所述多个语音块对应的动作序列；
控制单元，用于基于与所述多个语音块对应的动作序列，控制数字人执行与所述动作序列对应的动作；
其中，语音块所对应的运动块是指用于执行语音块所表征动作的人体关节点，所述训练模型包括输入层、隐藏层和输出层；
所述训练模型的输入层用于根据所述多个语音块和所述多个语音块所对应的运动块输出第一特征；
所述训练模型的隐藏层用于根据所述第一特征、所述多个语音块所对应的相邻语音段中的语音块以及所述多个语音块的在前语音段中的语音块所对应的运动块输出第二特征；
所述训练模型的输出层用于根据所述第二特征、所述多个语音块的语音特征以及所述多个语音块的语义特征输出与所述多个语音块对应的动作序列。
9.一种数字人动态拟真装置，其特征在于，包括依次通信相连的存储器、处理器和收发器，其中，所述存储器用于存储计算机程序，所述收发器用于收发消息，所述处理器用于读取所述计算机程序，执行如权利要求1～7任意一项所述的数字人动态拟真方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有指令，当所述指令在计算机上运行时，执行如权利要求1～7任意一项所述的数字人动态拟真方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310438267.8A CN116168686B (zh) | 2023-04-23 | 2023-04-23 | 数字人动态拟真方法、装置及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310438267.8A CN116168686B (zh) | 2023-04-23 | 2023-04-23 | 数字人动态拟真方法、装置及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116168686A CN116168686A (zh) | 2023-05-26 |
| CN116168686B true CN116168686B (zh) | 2023-07-11 |
Family
ID=86414882
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310438267.8A Active CN116168686B (zh) | 2023-04-23 | 2023-04-23 | 数字人动态拟真方法、装置及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116168686B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108921284A (zh) * | 2018-06-15 | 2018-11-30 | 山东大学 | 基于深度学习的人际交互肢体语言自动生成方法及系统 |
| CN109683706A (zh) * | 2018-12-10 | 2019-04-26 | 中车青岛四方机车车辆股份有限公司 | 一种虚拟现实多人交互的方法及系统 |
| CN110570877A (zh) * | 2019-07-25 | 2019-12-13 | 咪咕文化科技有限公司 | 手语视频生成方法、电子设备及计算机可读存储介质 |
| CN111939558A (zh) * | 2020-08-19 | 2020-11-17 | 北京中科深智科技有限公司 | 一种实时语音驱动虚拟人物动作的方法和系统 |
| CN112328076A (zh) * | 2020-11-06 | 2021-02-05 | 北京中科深智科技有限公司 | 一种语音驱动人物手势的方法和系统 |
| WO2021234151A1 (en) * | 2020-05-22 | 2021-11-25 | Motorica Ab | Speech-driven gesture synthesis |
| CN114049880A (zh) * | 2021-11-11 | 2022-02-15 | 深圳市木愚科技有限公司 | 语音驱动动作生成方法、装置、计算机设备及存储介质 |
| CN114898018A (zh) * | 2022-05-24 | 2022-08-12 | 北京百度网讯科技有限公司 | 数字对象的动画生成方法、装置、电子设备及存储介质 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8224652B2 (en) * | 2008-09-26 | 2012-07-17 | Microsoft Corporation | Speech and text driven HMM-based body animation synthesis |
-
2023
- 2023-04-23 CN CN202310438267.8A patent/CN116168686B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108921284A (zh) * | 2018-06-15 | 2018-11-30 | 山东大学 | 基于深度学习的人际交互肢体语言自动生成方法及系统 |
| CN109683706A (zh) * | 2018-12-10 | 2019-04-26 | 中车青岛四方机车车辆股份有限公司 | 一种虚拟现实多人交互的方法及系统 |
| CN110570877A (zh) * | 2019-07-25 | 2019-12-13 | 咪咕文化科技有限公司 | 手语视频生成方法、电子设备及计算机可读存储介质 |
| WO2021234151A1 (en) * | 2020-05-22 | 2021-11-25 | Motorica Ab | Speech-driven gesture synthesis |
| CN111939558A (zh) * | 2020-08-19 | 2020-11-17 | 北京中科深智科技有限公司 | 一种实时语音驱动虚拟人物动作的方法和系统 |
| CN112328076A (zh) * | 2020-11-06 | 2021-02-05 | 北京中科深智科技有限公司 | 一种语音驱动人物手势的方法和系统 |
| CN114049880A (zh) * | 2021-11-11 | 2022-02-15 | 深圳市木愚科技有限公司 | 语音驱动动作生成方法、装置、计算机设备及存储介质 |
| CN114898018A (zh) * | 2022-05-24 | 2022-08-12 | 北京百度网讯科技有限公司 | 数字对象的动画生成方法、装置、电子设备及存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| A Virtual Character Generation and Animation System for E-Commerce Live Streaming;Li Hu，等;《 Proceedings of the 29th ACM International Conference on Multimedia》;全文 * |
| Evaluation of Speech-to-Gesture Generation Using Bi-Directional LSTM Network;Dai Hasegawa，等;《Proceedings of the 18th International Conference on Intelligent Virtual》;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116168686A (zh) | 2023-05-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Bird et al. | Chatbot Interaction with Artificial Intelligence: human data augmentation with T5 and language transformer ensemble for text classification | |
| CN109859736B (zh) | 语音合成方法及系统 | |
| JP2022524944A (ja) | インタラクション方法、装置、電子機器及び記憶媒体 | |
| JP2023545642A (ja) | 目標対象の動作駆動方法、装置、機器及びコンピュータプログラム | |
| CN106653052A (zh) | 虚拟人脸动画的生成方法及装置 | |
| WO2021196643A1 (zh) | 交互对象的驱动方法、装置、设备以及存储介质 | |
| US20160071302A1 (en) | Systems and methods for cinematic direction and dynamic character control via natural language output | |
| CN110853614A (zh) | 虚拟对象口型驱动方法、装置及终端设备 | |
| WO2022106654A2 (en) | Methods and systems for video translation | |
| CN110209803B (zh) | 故事生成方法、装置、计算机设备及存储介质 | |
| CN115953521B (zh) | 远程数字人渲染方法、装置及系统 | |
| CN109409255A (zh) | 一种手语场景生成方法及装置 | |
| CN107274903A (zh) | 文本处理方法和装置、用于文本处理的装置 | |
| US20240161372A1 (en) | Method and system for providing service for conversing with virtual person simulating deceased person | |
| Podder et al. | Design of a sign language transformer to enable the participation of persons with disabilities in remote healthcare systems for ensuring universal healthcare coverage | |
| CN109933773A (zh) | 一种多重语义语句解析系统及方法 | |
| Rastgoo et al. | All You Need In Sign Language Production | |
| Rastgoo et al. | A survey on recent advances in Sign Language Production | |
| CN116168686B (zh) | 数字人动态拟真方法、装置及存储介质 | |
| CN113689880B (zh) | 实时驱动虚拟人的方法、装置、电子设备及介质 | |
| Farella et al. | Question Answering with BERT: designing a 3D virtual avatar for Cultural Heritage exploration | |
| CN107729983A (zh) | 一种利用机器视觉实现人机对弈的方法、装置及电子设备 | |
| Aasofwala et al. | A novel speech to sign communication model for Gujarati language | |
| Kondratiuk et al. | Dactyl alphabet modeling and recognition using cross platform software | |
| CN114328857A (zh) | 语句扩展方法、装置以及计算机可读存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |